Notícia

Escassez de dados coletados por Inteligência Artificial pode comprometer diagnósticos de distúrbios do sono na infância

pvproductions via Freepik

Fonte

Universidade de Adelaide

Data

quarta-feira, 3 maio 2023 06:10

Áreas

Biologia. Ciência de Dados. Computação. Inteligência Artificial. Medicina. Neurociências. Neurologia. Pediatria. Saúde da Criança. Saúde Mental. Sono.

“Os estágios do sono são determinados principalmente pela análise das ondas cerebrais durante o sono, o que tradicionalmente é feito manualmente (ou semiautomaticamente)”, disse o Dr. Mathias Baumert, professor da Escola de Engenharia Elétrica e da Escola de Engenharia Mecânica da Universidade de Adelaide, na Austrália.

“Houve um grande esforço para automatizar esse processo caro e trabalhoso usando o aprendizado profundo – um método de Inteligência Artificial (IA) que ‘ensina’ os computadores a processar dados de uma maneira inspirada no cérebro humano. Encontramos evidências de que erros na classificação do sono gerados por IA podem levar a diagnósticos incorretos de distúrbios do sono, principalmente em crianças”, destacou o professor Mathias Baumert.

Os impulsos nervosos no cérebro causam atividade elétrica. Um eletroencefalograma (EEG) registra a atividade elétrica do cérebro de uma pessoa. Coletado durante a noite, ele fornece os dados de entrada para sistemas de aprendizado profundo. “Os sistemas de aprendizado profundo precisam de grandes bancos de dados de EEG para aprender os padrões de ondas cerebrais associados a vários estágios do sono e para fornecer resultados confiáveis”, disse o pesquisador.

“No entanto, a maioria dos bancos de dados de EEG do sono disponíveis contém apenas dados de adultos e, portanto, os sistemas desenvolvidos nesses bancos de dados parecem ter problemas ao lidar com o sono das crianças porque nunca ‘viram’ e ‘aprenderam’ [com os dados de crianças]. Isso significa que distúrbios do sono em crianças podem ser diagnosticados erroneamente devido ao uso de conjuntos de dados tendenciosos para adultos”, continuou o professor.

A associação entre problemas de sono, desenvolvimento cognitivo e saúde mental tem sido estudada e reconhecida há muito tempo. A identificação precoce de problemas de sono, especialmente em jovens, é vital para maximizar a eficácia do tratamento adequado.

Geralmente, o sono compreende o sono de movimento rápido dos olhos (REM) e o sono sem movimento rápido dos olhos (NREM). O sono NREM é categorizado em três estágios (N1, N2, N3). Antes da introdução dos métodos de IA para classificar os padrões de sono, um técnico examinava o EEG durante a noite, 30 segundos por vez, e atribuía a ele um dos estágios do sono.

“O sono segue um padrão cíclico típico de estágios do sono que compõem a ‘arquitetura do sono’ e pode ser visto em um hipnograma – um gráfico que representa os estágios do sono ao longo do tempo. Os médicos consideram várias métricas de hipnogramas, como latência do início do sono, eficiência do sono, tempo gasto em cada um dos estágios do sono e tempo gasto acordado após o início do sono, para ajudá-los a diagnosticar distúrbios do sono”, disse o professor Baumert.

No EEG adulto, os sistemas de IA atribuem os estágios do sono corretamente cerca de nove em cada dez vezes – comparando com especialistas humanos. Um desempenho semelhante poderia ser obtido para crianças se os dados pediátricos fossem incluídos no processo de aprendizado profundo.

O Dr. Huy Phan, pesquisador do Alan Turing Institute, no Reino Unido, e coautor do estudo, disse que são necessárias melhorias nos sistemas de IA para evitar preconceitos em relação a grupos populacionais e para garantir diagnósticos precisos para todos os pacientes.

“Mesmo treinados com dados pediátricos, os sistemas atuais de IA não funcionam igualmente bem em todos os pacientes. Embora a precisão da classificação do estágio do sono pareça suficiente ao analisar os bancos de dados de EEG como um todo, os erros nas métricas do sono de pacientes individuais podem ser substanciais, o que é inaceitável para qualquer finalidade diagnóstica. Portanto, são necessárias estratégias eficazes para evitar vieses no processo de aprendizado e também para identificar comportamentos incomuns de sistemas de IA e mitigar o risco de diagnósticos incorretos”, concluiu o Dr. Huy Phan.

O estudo foi publicado na revista científica Sleep Medicine.

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página da Universidade de Adelaide (em inglês).

Fonte: Crispin Savage, Universidade de Adelaide. Imagem: pvproductions via Freepik.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.